
from google.colab import drive
drive.mount('/content/drive') #구글드라이브와 코랩 연결

Mounted at /content/drive


pip install geopandas # 코랩 geopandas 설치


pip install pydeck # 코랩 pydeck 설치


import pandas as pd
import numpy as np
import geopandas as gpd
import pydeck
import folium
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib
#한글깨짐방지 폰트 설정
plt.rc('font', family='NanumGothic')
from matplotlib import rc
import matplotlib.font_manager as fm
fm._rebuild()
fm.get_fontconfig_fonts()
font_location = '/content/drive/MyDrive/NanumGothic.ttf' # 폰트 파일 이름, 디렉토리
font_name = fm.FontProperties(fname=font_location).get_name()
matplotlib.rc('font', family=font_name)


from matplotlib import font_manager
import matplotlib
matplotlib.font_manager._rebuild()
for i in font_manager.fontManager.ttflist:
    if 'Nanum' in i.name:
        print(i.name, i.fname)


TripChain = pd.read_csv('/content/drive/MyDrive/TripChain_re.csv')
TripChain.head()


station_table = pd.read_csv('/content/drive/MyDrive/stations_table.csv')
station_table


emd_scco_geo =gpd.read_file(open('/content/drive/MyDrive/tl_scco_emd.geojson', encoding='utf-8'))
emd_scco_geo


cell_pop = gpd.read_file(open('/content/drive/MyDrive/h_100m_cell_pop.geojson', encoding='utf-8'))
cell_pop


moc_link = gpd.read_file(open('/content/drive/MyDrive/moc_link_2018.geojson', encoding='utf-8'))
moc_link


route_mapping = pd.read_csv('/content/drive/MyDrive/routestationmapping.csv')
route_mapping


route_info = pd.read_csv('/content/drive/MyDrive/routestationinfo.csv')
route_info.head()


route_info[route_info["bus_line_no"] =="1"]["pr_station_id"].unique() # 버스노선 정보 확인

array([231000007, 232000082, 233000048, 234000059, 236000117, 240000075,
       241201001, 241224002, 241245002, 241274001, 241329003, 241382002,
       241411001, 241420001, 241461007])


Trip_new = pd.merge(TripChain,route_mapping,  how='left', left_on = "'||버스노선ID1||'", right_on = '표준노선ID').drop(["'||사용자구분||'", "'||총통행거리||'", "'||총탑승시간||'","'||총소요시간||'"], axis = 1)
# TripChain,route_mapping 데이터셋을 합친 후 사용하지 않는 열 제거


station_table = station_table.dropna() # na값 제거
station_table = station_table[station_table['시군명'] == '화성시'] # 시군명이 화성시인 행을 제외하고 모두 삭제
station_table['emd'] = station_table['위치'].str[7:11] # 주소정보에서 읍면동만 추출


station_table = station_table[~station_table['emd'].str.contains('구')] # 화성시는 읍면동 데이터만 있는데 위치는 수원시이지만 관할구청이 화성시이기 때문에 포함되어있던 행 제거
station_table


station_table['emd'] = station_table['emd'].str.strip() # emd 열의 공백 제거


cell_pop['emd_cd'].unique()

array([None, '41590256', '41590350', '41590370', '41590360', '41590259',
       '41590400', '41590330', '41590340', '41590262', '41590253',
       '41590410', '41590320', '41590126', '41590124', '41590123',
       '41590125', '41590310', '41590136', '41590139', '41590138',
       '41590137', '41590127', '41590129', '41590135', '41590134',
       '41590133', '41590117', '41590118', '41590116', '41590122',
       '41590119', '41590130', '41590131', '41590128', '41590132',
       '41590121', '41590120'], dtype=object)


cell_pop = cell_pop.dropna() # 화성시가 아닌 행 즉, None값 제거


grouped = cell_pop['pop_ttl'].groupby(cell_pop['emd_cd']) #emd_cd 별로 pop_ttl 그룹화
grouped = pd.DataFrame(grouped.sum()) # 그룹화 된 값을 더해서 읍면동별 인구수 데이터프레임 생성
grouped['index'] = grouped.index # 인덱스값으로 인덱스 지정

new_emd = pd.merge(emd_scco_geo, grouped, how='inner', on='emd_cd') # emd_scco_geo, grouped 합치기
new_emd = new_emd.drop(['index'], axis = 1) # index 값 제거
new_emd_sort = new_emd.sort_values(by = 'pop_ttl', ascending = False) # pop_ttl 을 기준으로 내림차순 정렬


top_emd = new_emd_sort.head(14)
tail_emd = new_emd_sort.tail(23)


TripChain = TripChain.fillna(0) #데이터 처리를 위해 모든 na값을 0으로 대체
TripChain[["'||버스노선ID1||'","'||버스노선ID2||'","'||버스노선ID3||'","'||버스노선ID4||'","'||버스노선ID5||'", "'||차량ID1||'", "'||차량ID2||'", "'||차량ID3||'", "'||차량ID4||'", "'||차량ID5||'","'||승차역ID1||'","'||승차역ID2||'","'||승차역ID3||'","'||하차역ID4||'","'||하차역ID5||'", "'||최종하차역ID||'"]] = TripChain[["'||버스노선ID1||'","'||버스노선ID2||'","'||버스노선ID3||'","'||버스노선ID4||'","'||버스노선ID5||'", "'||차량ID1||'", "'||차량ID2||'", "'||차량ID3||'", "'||차량ID4||'", "'||차량ID5||'","'||승차역ID1||'","'||승차역ID2||'","'||승차역ID3||'","'||하차역ID4||'","'||하차역ID5||'","'||최종하차역ID||'"]].astype(int)
# 메모리가 소모가 크기 때문에 float 인 데이터를 int로 변환


TripChain.drop(["'||사용자구분||'", "'||총탑승시간||'", "'||총소요시간||'"], axis = 1)


TripChain.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1048575 entries, 0 to 1048574
Data columns (total 24 columns):
 #   Column         Non-Null Count    Dtype 
---  ------         --------------    ----- 
 0   암호화카드번호||'     1048575 non-null  int64 
 1   '||환승횟수||'     1048575 non-null  int64 
 2   '||사용자구분||'    1048575 non-null  int64 
 3   '||버스노선ID1||'  1048575 non-null  int64 
 4   '||버스노선ID2||'  1048575 non-null  int64 
 5   '||버스노선ID3||'  1048575 non-null  int64 
 6   '||버스노선ID4||'  1048575 non-null  int64 
 7   '||버스노선ID5||'  1048575 non-null  int64 
 8   '||차량ID1||'    1048575 non-null  int64 
 9   '||차량ID2||'    1048575 non-null  int64 
 10  '||차량ID3||'    1048575 non-null  int64 
 11  '||차량ID4||'    1048575 non-null  int64 
 12  '||차량ID5||'    1048575 non-null  int64 
 13  '||총통행거리||'    1048575 non-null  int64 
 14  '||총탑승시간||'    1048575 non-null  int64 
 15  '||총소요시간||'    1048575 non-null  int64 
 16  '||최초승차일시||'   1048575 non-null  int64 
 17  '||최종하차일시||'   1048575 non-null  object
 18  '||승차역ID1||'   1048575 non-null  int64 
 19  '||승차역ID2||'   1048575 non-null  int64 
 20  '||승차역ID3||'   1048575 non-null  int64 
 21  '||하차역ID4||'   1048575 non-null  int64 
 22  '||하차역ID5||'   1048575 non-null  int64 
 23  '||최종하차역ID||'  1048575 non-null  int64 
dtypes: int64(23), object(1)
memory usage: 192.0+ MB


 route_mapping = route_mapping.drop(["운수사명","운수사ID", "구분"], axis = 1) # 사용하지 않는 열 제거


Trip_new["'||최초승차일시||'"] = Trip_new["'||최초승차일시||'"].astype(str) # 시간으로 사용하기 위해


Trip_new["start_time"] = pd.to_datetime(Trip_new["'||최초승차일시||'"], infer_datetime_format = True) # 시간 형식으로 변환


Trip_new["time_hour"] = Trip_new["start_time"].dt.hour # 시간 추출해서 time_hour 에 저장


time_table = pd.DataFrame(Trip_new.groupby("time_hour")["암호화카드번호||'"].count()) # 시간대별 사용자 수 데이터프레임 생성
time_table['time_hour'] = time_table.index # 인덱스 번호(시간)로 열 생성


time_table # 시간대별 이용자 수


plt.figure(figsize = (18,4))
sns.barplot(x="time_hour", y="암호화카드번호||'", data=time_table)
plt.xlabel("시간(0~23시)", fontsize = 20)
plt.ylabel("이용자수(명)", fontsize = 20)


condition = (Trip_new["time_hour"]== 7) | (Trip_new["time_hour"]== 8) # 출퇴근 시간인 7,8시로 조건식 작성
df_work = Trip_new[condition] # 데이터셋에서 이용 시간이 7,8시인 행 추출


df_work.groupby("노선명").count() # 버스 노선 별 이용 횟수


t = pd.DataFrame(Trip_new.groupby("노선명")["암호화카드번호||'"].count()) # 노선명 별 이용 횟수
t.sort_values(by = "암호화카드번호||'", ascending= False).head(10) # 카드번호의 카운트 횟수를 기준으로 내림차순 정렬


plt.rcParams['font.size'] = 25 # 글씨 크기 설정


plt.figure(figsize = (45,10)) # 그림 크기 설정
sns.barplot(x="emd_kor_nm", y="pop_ttl", data=new_emd_sort) # x축, y축 설정 후 그래프 그리기
plt.xlabel("읍면동") # x축 이름 
plt.ylabel("인구수(명)") # y축 이름
plt.xticks(rotation=45) # x축에 들어가는 데이터가 많기 때문에 가독성을 위해 x축 글씨 설정


plt.figure(figsize = (18,4)) # 그림 크기 설정
sns.barplot(x="emd_kor_nm", y="pop_ttl", data=top_emd) # x축, y축 설정 후 그래프 그리기
plt.xlabel("읍면동") # x축 이름
plt.ylabel("인구수") # y축 이름

Text(0, 0.5, '인구수')


plt.figure(figsize = (30,6)) # 그림 크기 설정
sns.barplot(x="emd_kor_nm", y="pop_ttl", data=tail_emd) # x축, y축 설정 후 그래프 그리기
plt.xlabel("읍면동") # x축 이름
plt.ylabel("인구수") # y축 이름

(array([    0.,  2500.,  5000.,  7500., 10000., 12500.]),
 <a list of 6 Text major ticklabel objects>)


pop_test = cell_pop.groupby(['emd_cd']).sum().drop(['id'], axis = 1) # 사용하지 않는 id를 제거한 읍면동별 인구수 
pop_test


pop_total = pop_test.iloc[:, 0:21].drop(['pop_mn_ttl'], axis = 1) # 위의 데이터셋에서 전체 인구수를 제외
pop_total['index'] = pop_total.index # 인덱스를 열로 생성
pop_total.T.drop(['index'], axis = 0) # 데이터셋 열->행, 행->열로 변환


Te = pop_total.T.drop(['index'], axis = 0) #인덱스 제거
Te


Te.index = ["10대 미만 남자", "10대 남자", "20대 남자", "30대 남자", "40대 남자", "50대 남자", "60대 남자", "70대 남자","80대 남자","90대 남자", "10대 미만 여자", "10대 여자", "20대 여자", "30대 여자", "40대 여자", "50대 여자", "60대 여자", "70대 여자","80대 여자","90대 여자"]
# 인덱스의 이름을 각 나이대별 성별로 지정


Te_1 =pd.DataFrame(Te.sort_values(by = '41590259', ascending = False)['41590259']) #인구수가 가장 많은 향남읍의 인구 분포
plt.rcParams['font.size'] = 25 # 글씨 크기 설정 
fig = plt.figure(figsize=(25,12)) # 캔버스 생성
circle_1 = plt.pie(Te_1['41590259'],labels = Te.index,autopct= '%1.1f%%', explode = [0.1,0.1,0.1,0.1,0.1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]) # 중앙에서 떨어진 정도를 설정해서 인구 분포가 많은 나이대 강조
#plt.legend(loc = (1, 1)) # 원래 범례를 사용하였지만 하나의 범례를 사용하기 때문에 일단 그래프에서 범례 제거
plt.title('향남읍', size = 40) # 제목 크기

Text(0.5, 1.0, '향남읍')


Te_2 =pd.DataFrame(Te.sort_values(by = '41590253', ascending = False)['41590253']) # 인구수가 2번째로 많은 봉담읍의 인구 분포 
plt.rcParams['font.size'] = 25 # 글씨 크기 설정
fig = plt.figure(figsize=(25,12)) # 캔버스 생성
circle_2 = plt.pie(Te_2['41590253'],labels = Te.index,autopct= '%1.1f%%', explode = [0.1,0.1,0.1,0.1,0.1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]) # 중앙에서 떨어진 정도를 설정해서 인구 분포가 많은 나이대 강조
#plt.legend(loc = (1, 1)) # 원래 범례를 사용하였지만 하나의 범례를 사용하기 때문에 일단 그래프에서 범례 제거
plt.title('봉담읍', size = 40) # 제목 크기

Text(0.5, 1.0, '봉담읍')


Te_3 =pd.DataFrame(Te.sort_values(by = '41590127', ascending = False)['41590127']) # 인구수가 3번째로 많은 반송동의 인구 분포 
plt.rcParams['font.size'] = 25 # 글씨 크기 설정
fig = plt.figure(figsize=(25,12)) # 캔버스 생성
circle_3 = plt.pie(Te_3['41590127'],labels = Te.index,autopct= '%1.1f%%', explode = [0.1,0.1,0.1,0.1,0.1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]) # 중앙에서 떨어진 정도를 설정해서 인구 분포가 많은 나이대 강조
#plt.legend(loc = (1, 1)) # 원래 범례를 사용하였지만 하나의 범례를 사용하기 때문에 일단 그래프에서 범례 제거
plt.title('반송동', size = 40) # 제목 크기

Text(0.5, 1.0, '반송동')


Te_4 =pd.DataFrame(Te.sort_values(by = '41590133', ascending = False)['41590133']) # 인구수가 가장 적은 신동의 인구 분포 
plt.rcParams['font.size'] = 25 # 글씨 크기 설정
fig = plt.figure(figsize=(25,12)) # 캔버스 생성
circle_4 = plt.pie(Te_4['41590133'],labels = Te.index,autopct= '%1.1f%%', explode = [0.1,0.1,0.1,0.1,0.1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]) # 중앙에서 떨어진 정도를 설정해서 인구 분포가 많은 나이대 강조
#plt.legend(loc = (1, 1)) # 원래 범례를 사용하였지만 하나의 범례를 사용하기 때문에 일단 그래프에서 범례 제거
plt.title('신동', size = 40) # 제목 크기

Text(0.5, 1.0, '신동')


Te_5 =pd.DataFrame(Te.sort_values(by = '41590121', ascending = False)['41590121']) # 인구수가 2번째로 적은 방정동의 인구 분포 
plt.rcParams['font.size'] = 25 # 글씨 크기 설정
fig = plt.figure(figsize=(25,12)) # 캔버스 생성
circle_5 = plt.pie(Te_5['41590121'],labels = Te.index,autopct= '%1.1f%%', explode = [0.1,0.1,0.1,0.1,0.1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]) # 중앙에서 떨어진 정도를 설정해서 인구 분포가 많은 나이대 강조
#plt.legend(loc = (1, 1)) # 원래 범례를 사용하였지만 하나의 범례를 사용하기 때문에 일단 그래프에서 범례 제거
plt.title('방정동', size = 40) # 제목 크기

Text(0.5, 1.0, '방정동')


Te_6 =pd.DataFrame(Te.sort_values(by = '41590132', ascending = False)['41590132']) # 인구수가 3번째로 적은 중동의 인구 분포 
plt.rcParams['font.size'] = 25 # 글씨 크기 설정
fig = plt.figure(figsize=(25,12)) # 캔버스 생성
circle_6 = plt.pie(Te_6['41590132'],labels = Te.index,autopct= '%1.1f%%', explode = [0.1,0.1,0.1,0.1,0.1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]) # 중앙에서 떨어진 정도를 설정해서 인구 분포가 많은 나이대 강조
#plt.legend(loc = (1, 1)) # 원래 범례를 사용하였지만 하나의 범례를 사용하기 때문에 일단 그래프에서 범례 제거
plt.title('중동', size = 40) # 제목 크기

Text(0.5, 1.0, '중동')


emd_map = folium.Map(location = [37.1994932,126.8311887], # 기본 위경도 좌표 설정
                     tiles = 'cartodbpositron', #타일(바탕) 설정
                     zoom_start = 12) #확대 정도 설정
emd_map #기본 지도


districts = emd_scco_geo[["id", "geometry"]].set_index("id") #id를 인덱스로 지정
districts.head() #5개의 데이터로 미리보기


plot_dict = emd_scco_geo.id.value_counts() # id값 추출
plot_dict.head() #5개의 데이터로 미리보기

2122    1
2104    1
2106    1
2107    1
2108    1
Name: id, dtype: int64


emd_geo = new_emd_sort['geometry'] #geometry 정보 저장
new_emd_sort['pop_ttl'] = new_emd_sort['pop_ttl'].astype(int) # int형으로 변환


emd_select = new_emd_sort[['id', 'pop_ttl']]  #new_emd_sort 에서 id와 인구수 뽑기


m = folium.Map(location=[36, 127], tiles="OpenStreetMap", zoom_start=7) # 기본 지도 설정 

m.choropleth(
    geo_data=emd_scco_geo, #geometry 정보를 담은 데이터셋을 설정
    name='인구수',
    data=emd_select, # 지도에 표시되는 데이터셋 지정
    columns=['id', 'pop_ttl'], #id와 인구수 사용
    key_on='feature.properties.id', #id별로 사용 
    color='grey',
    fill_opacity=0.7,
    line_opacity=0.3,
    fill_color = 'PuRd' #크기별 구분 색깔
)


folium.LayerControl(collapsed=False).add_to(m) # 지도에 위에서 크기별로 색깔 변화준 것을 표시
m

/usr/local/lib/python3.7/dist-packages/folium/folium.py:426: FutureWarning:

The choropleth  method has been deprecated. Instead use the new Choropleth class, which has the same arguments. See the example notebook 'GeoJSON_and_choropleth' for how to do this.


for idx, row in station_table.iterrows():
    folium.Marker([row['WGS84위도'], row['WGS84경도']]).add_to(m) # 위도 경도 표시

m.add_child(folium.LatLngPopup()) # 위도 경도 마커를 지도에 표시


emd_name_cd = pd.DataFrame(new_emd.loc[:,['emd_cd','emd_kor_nm']]) #읍면동 코드와 이름으로 새로운 데이터셋 생성
emd_name_cd = emd_name_cd.set_index('emd_cd') # 코드를 인덱스로 지정


emd_name_cd['index'] = emd_name_cd.index # 코드를 열로 생성


vis_new_data = pd.merge(pop_test, emd_name_cd, left_index = True,right_index = True) # pop_test, emd_name_cd 를 합치기
vis_new_data


plt.figure(figsize = (18,4)) # 그림 크기 설정 
plt.plot(vis_new_data['emd_kor_nm'],vis_new_data['pop_ttl']) # 읍면동 이름과 인구수로 그래프 그리기

[<matplotlib.lines.Line2D at 0x33323430>]


station_table['emd'].unique() # station_table 의 읍면동 이름

array(['석우동', '봉담읍', '향남읍', '양감면', '정남면', '병점동', '진안동', '능동', '기산동',
       '반월동', '동탄면', '송산면', '팔탄면', '비봉면', '서신면', '우정읍', '장안면', '매송면',
       '안녕동', '송산동', '기안동', '황계동', '반정동', '마도면', '반송동', '서탄면', '시 탑동',
       '오산동', '영천동', '신장동'], dtype=object)


vis_new_data['emd_kor_nm'].unique() # vis_new_data 의 읍면동 이름

array(['진안동', '병점동', '능동', '기산동', '반월동', '반정동', '황계동', '배양동', '기안동',
       '송산동', '안녕동', '반송동', '석우동', '오산동', '청계동', '영천동', '중동', '신동', '목동',
       '산척동', '장지동', '송동', '방교동', '금곡동', '봉담읍', '우정읍', '향남읍', '남양읍',
       '매송면', '비봉면', '마도면', '송산면', '서신면', '팔탄면', '장안면', '양감면', '정남면'],
      dtype=object)


fig = px.scatter_mapbox(station_table, lat = 'WGS84위도', lon = 'WGS84경도',# 위도 경도 설정
                       color = 'emd', # 읍면동별로 색상 설정
                       opacity = 0.4, #투명도
                       hover_name = '정류소명', #정류소 명 표시
                       hover_data = {
                           'WGS84위도' : False,
                           'WGS84경도' : False,
                           'emd' : True # 읍면동 표시
                       },
                       mapbox_style = "carto-positron", # 기본 지도 설정
                       center = dict(lat = 37.15, lon = 126.9), # 지도 중심 설정
                       zoom = 9) # 확대 정도
fig.show() # 지도 보기


with open('C:\\Users\82108\Desktop\data mining\\tl_scco_emd.geojson', encoding='UTF-8') as f:
    geo_data = json.load(f) # 지도 시각화에 사용하기 위해 geojson 으로 파일 오픈
geo_data


for x in geo_data['features']:
    x['id'] = x['properties']['emd_kor_nm']
    
for idx, _ in enumerate(geo_data['features']):
    print(geo_data['features'][idx]['id']) 
  
# 지도 시각화를 위한 설정

양감면
정남면
진안동
병점동
능동
기산동
반월동
반정동
황계동
배양동
기안동
송산동
안녕동
반송동
석우동
오산동
청계동
영천동
중동
신동
목동
산척동
장지동
송동
방교동
금곡동
봉담읍
우정읍
향남읍
남양읍
매송면
비봉면
마도면
송산면
서신면
팔탄면
장안면


emd_scco_geo['id_key'] = (emd_scco_geo.index)*10 #구분을 짓기 위해 index에 10을 곱한 id_key 열 생성
emd_scco_geo


fig2 = px.choropleth_mapbox(
   emd_scco_geo, 
   geojson=geo_data, 
   locations='emd_kor_nm', 
   color='id_key',
   color_continuous_scale=px.colors.sequential.Rainbow,
   # featureidkey="properties.CTP_KOR_NM", # featureidkey를 사용하여 id 값을 갖는 키값 지정
   mapbox_style="carto-positron",
   zoom=9, 
   center = {"lat": 37.15, "lon": 126.9}
)
fig2.show()
fig.show()


fig3 = px.choropleth_mapbox(
   new_emd, 
   geojson=geo_data, 
   locations='emd_kor_nm', 
   color='pop_ttl',
   color_continuous_scale=px.colors.sequential.Blues,
   # featureidkey="properties.CTP_KOR_NM", # featureidkey를 사용하여 id 값을 갖는 키값 지정
   mapbox_style="carto-positron",
   zoom=9, 
   center = {"lat": 37.15, "lon": 126.9}
)
fig3.show()
fig.show()


trans_2 = TripChain[TripChain["'||버스노선ID2||'"].notnull()] # 2번 환승
trans_3 = TripChain[TripChain["'||버스노선ID3||'"].notnull()] # 3번 환승
trans_4 = TripChain[TripChain["'||버스노선ID4||'"].notnull()] # 4번 환승
trans_5 = TripChain[TripChain["'||버스노선ID5||'"].notnull()] # 5번 환승


sns.countplot(data = TripChain, x = "'||환승횟수||'")

<AxesSubplot:xlabel="'||환승횟수||'", ylabel='count'>


TripChain[(TripChain["'||환승횟수||'"]==2) |(TripChain["'||환승횟수||'"]==3)] # 환승 횟수가 2,3 번인 행 추출


df_trip = pd.DataFrame(TripChain.groupby("'||승차역ID1||'")["암호화카드번호||'"].count()) # 승차역별 이용자 수


df_trip['이비카드정류장ID'] = df_trip.index #인덱스값을 이비카드정류장 ID로 설정


df_sta = station_table[["정류소명", "이비카드정류장ID", "emd","WGS84위도", "WGS84경도"]] # 사용할 열을 새로운 데이터셋에 저장


trip_station = pd.merge(df_sta, df_trip, how = 'inner', on = "이비카드정류장ID") # df_sta, df_trip 합치기


df_trip_3 = pd.DataFrame(TripChain.groupby("'||승차역ID2||'")["암호화카드번호||'"].count()) # 승차역2 별 이용자 수
df_trip_3['이비카드정류장ID'] = df_trip_3.index #인덱스값을 이비카드정류장 ID로 설정
trip_station_3 = pd.merge(df_sta, df_trip_3, how = 'inner', on = "이비카드정류장ID") # df_sta, df_trip3 합치기
trans_2= trip_station_3.sort_values("암호화카드번호||'",ascending = False).head(10) # 이용자 수가 많은 정류장 10개 추출
trans_2


df_trip_4 = pd.DataFrame(TripChain.groupby("'||승차역ID3||'")["암호화카드번호||'"].count()) # 승차역3 별 이용자 수
df_trip_4['이비카드정류장ID'] = df_trip_4.index #인덱스값을 이비카드정류장 ID로 설정
trip_station_4 = pd.merge(df_sta, df_trip_4, how = 'inner', on = "이비카드정류장ID") # df_sta, df_trip4 합치기
trans_1= trip_station_4.sort_values("암호화카드번호||'",ascending = False).head(10) # 이용자 수가 많은 정류장 10개 추출
trans_1


fig2 = px.scatter_mapbox(trip_station, lat = 'WGS84위도', lon = 'WGS84경도',
                       color = 'emd',
                       opacity = 0.4,
                       hover_name = '정류소명',
                       hover_data = {
                           'WGS84위도' : False,
                           'WGS84경도' : False,
                           'emd' : True
                       },
                       mapbox_style = "carto-positron",
                       center = dict(lat = 37.15, lon = 126.9),
                       zoom = 9)
fig2.show() # 하차정류장 분포 지도 시각화


bus_top_15 = trip_station.sort_values("암호화카드번호||'",ascending = False).head(20) # 버스정류장 이용 탑 20


bus_top_40 = trip_station.sort_values("암호화카드번호||'",ascending = False).head(40) # 버스정류장 이용 탑 40


df_trip2 = pd.DataFrame(TripChain.groupby("'||최종하차역ID||'")["암호화카드번호||'"].count())
df_trip2 # 하차역 별 이용자 수


df_trip2['이비카드정류장ID'] = df_trip2.index # 인덱스 값을 열로 설정


trip_station_2 = pd.merge(df_sta, df_trip2, how = 'inner', on = "이비카드정류장ID") #df_sta, df_trip2 합치기 => 정류장 별 이용자 수
trip_station_2


fig3 = px.scatter_mapbox(trip_station_2, lat = 'WGS84위도', lon = 'WGS84경도',
                       color = 'emd',
                       opacity = 0.4,
                       hover_name = '정류소명',
                       hover_data = {
                           'WGS84위도' : False,
                           'WGS84경도' : False,
                           'emd' : True
                       },
                       mapbox_style = "carto-positron",
                       center = dict(lat = 37.15, lon = 126.9),
                       zoom = 9)
fig3.show() #40개의 정류장에 대한 하차 정류장 시각화


bus_tail_15 = trip_station_2.sort_values("암호화카드번호||'",ascending = False).head(20) # 버스정류장 이용 하위 20


bus_tail_40 = trip_station_2.sort_values("암호화카드번호||'",ascending = False).head(40) # 버스정류장 이용 하위 40


bus_top_15


bus_tail_15.columns = ['정류소명',	'이비카드정류장ID',	'emd'	,'WGS84위도'	,'WGS84경도',	'이용자수']
bus_top_15.columns = ['정류소명',	'이비카드정류장ID',	'emd'	,'WGS84위도'	,'WGS84경도',	'이용자수']
bus_top_40.columns = ['정류소명',	'이비카드정류장ID',	'emd'	,'WGS84위도'	,'WGS84경도',	'이용자수']
bus_tail_40.columns = ['정류소명',	'이비카드정류장ID',	'emd'	,'WGS84위도'	,'WGS84경도',	'이용자수']
# 모든 테이블의 컬럼명을 변경


total_bus = pd.concat([bus_top_15, bus_tail_15], axis = 0) # 상위20개와 하위20개 데이터셋을 합치기


fig4 = px.scatter_mapbox(total_bus, lat = 'WGS84위도', lon = 'WGS84경도',
                       color = 'emd',
                       opacity = 0.4,
                       hover_name = '정류소명',
                       hover_data = {
                           'WGS84위도' : False,
                           'WGS84경도' : False,
                           'emd' : True
                       },
                       mapbox_style = "carto-positron",
                       center = dict(lat = 37.15, lon = 126.9),
                       zoom = 9)
fig4.show() # 상위, 하위 이용자 수의 버스정류장 시각화


bus_top_40[["정류소명", "emd", "이용자수"]] # 상위 40개


bus_tail_40[["정류소명", "emd", "이용자수"]] # 하위 40개


fig5 = px.scatter_mapbox(bus_top_40, lat = 'WGS84위도', lon = 'WGS84경도',
                       color = 'emd',
                       opacity = 0.7,
                       hover_name = '정류소명',
                       hover_data = {
                           'WGS84위도' : False,
                           'WGS84경도' : False,
                           'emd' : True
                       },
                       mapbox_style = "carto-positron",
                       center = dict(lat = 37.15, lon = 126.9),
                       zoom = 9)
fig5.show() # 버스 정류장 이용자 상위40개의 정류장 시각화


bus_top_15.head(10) # 상위 10개


total_vis = bus_top_15.iloc[[0,1,2,3,4,5,7,9]] # 상위 하위에서 겹치는 정류장


for idx, row in total_vis.iterrows():
    folium.Marker([row['WGS84위도'], row['WGS84경도']]).add_to(m)

m.add_child(folium.LatLngPopup()) #겹치는 정류장의 지도 시각화

	암호화카드번호\|\|'	'\|\|환승횟수\|\|'	'\|\|사용자구분\|\|'	'\|\|버스노선ID1\|\|'	'\|\|버스노선ID2\|\|'	'\|\|버스노선ID3\|\|'	'\|\|버스노선ID4\|\|'	'\|\|버스노선ID5\|\|'	'\|\|차량ID1\|\|'	'\|\|차량ID2\|\|'	...	'\|\|총탑승시간\|\|'	'\|\|총소요시간\|\|'	'\|\|최초승차일시\|\|'	'\|\|최종하차일시\|\|'	'\|\|승차역ID1\|\|'	'\|\|승차역ID2\|\|'	'\|\|승차역ID3\|\|'	'\|\|하차역ID4\|\|'	'\|\|하차역ID5\|\|'	'\|\|최종하차역ID\|\|'
0	900079696430	2	1	41002045.0	41002044.0	NaN	NaN	NaN	141771735.0	141771587.0	...	25	25	20180701052543	20180701064826	4116828.0	4150144.0	NaN	NaN	NaN	4116708.0
1	900079697651	1	1	41031040.0	NaN	NaN	NaN	NaN	141701792.0	NaN	...	3	3	20180701072156	20180701072520	4117280.0	NaN	NaN	NaN	NaN	4117269.0
2	900079698254	1	1	41031121.0	NaN	NaN	NaN	NaN	141701843.0	NaN	...	66	66	20180701123653	20180701134223	4199619.0	NaN	NaN	NaN	NaN	4107936.0
3	900079699257	1	1	41031013.0	NaN	NaN	NaN	NaN	141701450.0	NaN	...	1	1	20180701224424	20180701224543	4108130.0	NaN	NaN	NaN	NaN	4116717.0
4	900079701419	1	1	41020001.0	NaN	NaN	NaN	NaN	141703985.0	NaN	...	8	8	20180701085058	20180701085910	4100122.0	NaN	NaN	NaN	NaN	4116848.0

	표준정류장ID	시군명	정류소명	정류소영문명	정류소번호	중앙차로여부	관할관청	위치	WGS84위도	WGS84경도	모바일정류장ID	이비카드정류장ID
0	228003422	용인시	손골마을회관.국제학교	Songol Community Center,	56443.0	노변정류장	경기도 용인시	NaN	37.342517	127.066817	56443.0	NaN
1	228003423	용인시	풀잎사랑	Pulipsarang	56444.0	노변정류장	경기도 용인시	NaN	37.341800	127.068983	56444.0	NaN
2	228003424	용인시	풀잎사랑	Pulipsarang	56445.0	노변정류장	경기도 용인시	NaN	37.341817	127.069083	56445.0	NaN
3	228003425	용인시	대성공정	Daesung Process	56446.0	노변정류장	경기도 용인시	NaN	37.339350	127.073067	56446.0	NaN
4	228003426	용인시	대성공정	Daesung Process	56447.0	노변정류장	경기도 용인시	NaN	37.339183	127.073400	56447.0	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...
38504	228003381	용인시	현대빌리지	Hyundai Village	56402.0	노변정류장	경기도 용인시	NaN	37.326433	127.071317	56402.0	NaN
38505	228003382	용인시	현대빌리지	Hyundai Village	56403.0	노변정류장	경기도 용인시	NaN	37.326450	127.071100	56403.0	NaN
38506	236001229	포천시	평강식물원	Pyunggang Botanical Garden	40691.0	노변정류장	경기도 포천시	경기도 포천시 영북면	38.050650	127.306617	40691.0	NaN
38507	236001230	포천시	양문1리.영중면사무소	Yangmun 1-ri, Yeongjung-myeon Office	40699.0	노변정류장	경기도 포천시	NaN	38.005517	127.245667	40699.0	NaN
38508	236001234	포천시	포천농협.하나로마트	Pocheon Nonghyup, Hanaro Mart	40692.0	노변정류장	경기도 포천시	NaN	37.901217	127.206933	40692.0	NaN

	id	pop_mn_0_9	pop_mn_10_	pop_mn_20_	pop_mn_30_	pop_mn_40_	pop_mn_50_	pop_mn_60_	pop_mn_70_	pop_mn_80_	...	pop_wmn_40	pop_wmn_50	pop_wmn_60	pop_wmn_70	pop_wmn_80	pop_wmn_90	pop_wmn_tt	pop_ttl	emd_cd	geometry
0	1	0.0	0.0	0.0	0.0	2.0	1.0	0.0	0.0	0.0	...	0.0	3.0	1.0	0.0	0.0	0.0	4.0	7.0	None	POLYGON ((126.74685 37.03640, 126.74797 37.036...
1	2	0.0	0.0	1.0	0.0	1.0	3.0	0.0	1.0	0.0	...	0.0	4.0	0.0	0.0	0.0	0.0	4.0	10.0	None	POLYGON ((126.74572 37.03730, 126.74684 37.037...
2	4	2.0	0.0	1.0	0.0	1.0	1.0	1.0	0.0	0.0	...	0.0	2.0	0.0	2.0	0.0	0.0	6.0	12.0	None	POLYGON ((126.74797 37.03730, 126.74909 37.037...
3	16	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	...	0.0	1.0	0.0	0.0	1.0	0.0	3.0	5.0	None	POLYGON ((126.74570 37.04271, 126.74682 37.042...
4	18	0.0	1.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	...	2.0	0.0	0.0	0.0	0.0	0.0	5.0	8.0	None	POLYGON ((126.68357 37.11554, 126.68470 37.115...
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
10642	10643	1.0	1.0	2.0	2.0	1.0	3.0	3.0	1.0	0.0	...	1.0	4.0	2.0	1.0	0.0	0.0	16.0	30.0	41590132	POLYGON ((127.14281 37.20598, 127.14393 37.205...
10643	10644	1.0	0.0	1.0	0.0	2.0	3.0	1.0	0.0	0.0	...	1.0	3.0	0.0	0.0	0.0	0.0	8.0	16.0	41590132	POLYGON ((127.14393 37.20598, 127.14506 37.205...
10644	10645	0.0	1.0	1.0	0.0	2.0	1.0	0.0	1.0	0.0	...	3.0	0.0	0.0	1.0	0.0	0.0	6.0	12.0	41590132	POLYGON ((127.14393 37.20688, 127.14506 37.206...
10645	10646	0.0	0.0	2.0	0.0	0.0	1.0	2.0	0.0	0.0	...	1.0	2.0	1.0	0.0	0.0	0.0	5.0	10.0	41590132	POLYGON ((127.14506 37.20688, 127.14619 37.206...
10646	10647	0.0	0.0	0.0	0.0	1.0	3.0	2.0	0.0	0.0	...	0.0	1.0	0.0	1.0	0.0	0.0	3.0	9.0	41590132	POLYGON ((127.14957 37.21048, 127.15070 37.210...

	id	link_id	f_node	t_node	road_use	lanes	road_rank	road_name	multi_link	connect	...	dept_code	stnl_reg	road_type	road_no	tmpid	upload_id	sosfnodeid	sostnodeid	shape_stle	geometry
0	63255	2333070000	2330045500	2330045200	0	1.0	107	-	0	000	...	41590	233	000	-	NTIC_0616 U	None	TEMP1074	TEMP1073	154.657772	MULTILINESTRING ((126.81451 37.14096, 126.8155...
1	63119	2330018207	2330007302	2330007304	0	2.0	103	일반국도43호선	0	000	...	41590	233	000	43	None	None	None	None	235.832927	MULTILINESTRING ((126.91828 37.14319, 126.9186...
2	63120	2330018108	2330007305	2330007304	0	2.0	103	일반국도43호선	0	000	...	41590	233	000	43	None	None	None	None	77.012754	MULTILINESTRING ((126.91982 37.14574, 126.9197...
3	63150	2333144900	2330079100	2330076000	0	2.0	107	-	0	000	...	41590	233	000	-	None	None	TEMP846	TEMP636	368.373468	MULTILINESTRING ((127.04169 37.20703, 127.0417...
4	63176	2230004902	2330009100	2330009101	0	1.0	106	지방도314호선	0	000	...	41590	233	000	314	None	None	None	None	2351.958941	MULTILINESTRING ((127.00177 37.16565, 127.0017...
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
10558	298721	2280726100	2280260400	2280260100	0	1.0	107	고매로43번길	0	000	...	60170	228	000	-	TMPID20180618112952	geostoryco20180709161522	TMPID20180618111732	TMPID20180618111733	246.410905	MULTILINESTRING ((127.11885 37.23641, 127.1187...
10559	298722	2280726200	2280260400	2280260300	0	1.0	107	고매로43번길	0	000	...	60170	228	004	-	TMPID20180618112957	geostoryco20180709161522	TMPID20180618111732	TMPID20180618111731	118.352306	MULTILINESTRING ((127.11872 37.23639, 127.1187...
10560	298723	2280726300	2280260300	2280260400	0	1.0	107	고매로43번길	0	000	...	60170	228	004	-	TMPID20180618112958	geostoryco20180709161522	TMPID20180618111731	TMPID20180618111732	128.318085	MULTILINESTRING ((127.11847 37.23533, 127.1186...
10561	298724	2280726400	2280260600	2280260500	0	2.0	107	-	0	000	...	60170	228	000	-	TMPID20180618113003	geostoryco20180709161522	TMPID20180618111741	TMPID20180618111740	486.744967	MULTILINESTRING ((127.12064 37.22955, 127.1206...
10562	298725	2280726500	2280260500	2280260600	0	2.0	107	-	0	000	...	60170	228	000	-	TMPID20180618113004	geostoryco20180709161522	TMPID20180618111740	TMPID20180618111741	495.410883	MULTILINESTRING ((127.11913 37.22545, 127.1196...

	구분	운수사명	운수사ID	이비노선ID	표준노선ID	노선명
0	경기시내	경원여객M	2805000	216000044	28050900	M6410
1	경기시내	강화운수	4100100	232000028	41001001	2
2	경기시내	강화운수	4100100	232000029	41001013	88
3	경기시내	강화운수	4100100	232000061	41001020	3000
4	경기시내	강화운수	4100100	232000067	41001024	388
...	...	...	...	...	...	...
2122	경기시내	서현운수	4108800	229000060	41088004	330
2123	경기시내	서현운수	4108800	229000063	41088005	850
2124	경기시내	코레일네트웍스	4108900	213000024	41089001	8507
2125	경기시내	신성교통	4109100	229000102	41091900	M7111
2126	경기시내	군포여객	4109400	225000004	41094001	100

"Data mining Final Project"¶

데이터 마이닝 기말 프로젝트¶

1. 분석 배경 ¶

2. 데이터 설명 및 처리 ¶

2.1 패키지 로드 ¶

2.2 데이터 설명 ¶

route_mapping¶

2.3 데이터 전처리 ¶

3. 시각화 및 분석 ¶

4. 결론 ¶

	id	emd_cd	emd_eng_nm	emd_kor_nm	geometry
0	2122	41590400	Yanggam-myeon	양감면	MULTIPOLYGON (((126.99921 37.12304, 126.99906 ...
1	2123	41590410	Jeongnam-myeon	정남면	MULTIPOLYGON (((127.00591 37.18681, 127.00595 ...
2	2087	41590116	Jinan-dong	진안동	MULTIPOLYGON (((127.03486 37.22713, 127.03491 ...
3	2088	41590117	Byeongjeom-dong	병점동	MULTIPOLYGON (((127.02686 37.20033, 127.02680 ...
4	2089	41590118	Neung-dong	능동	MULTIPOLYGON (((127.05947 37.19984, 127.05948 ...
5	2090	41590119	Gisan-dong	기산동	MULTIPOLYGON (((127.05295 37.21400, 127.05278 ...
6	2091	41590120	Banwol-dong	반월동	MULTIPOLYGON (((127.06647 37.24009, 127.06650 ...
7	2092	41590121	Banjeong-dong	반정동	MULTIPOLYGON (((127.04253 37.24702, 127.04263 ...
8	2093	41590122	Hwanggye-dong	황계동	MULTIPOLYGON (((127.02352 37.22536, 127.02611 ...
9	2094	41590123	Baeyang-dong	배양동	MULTIPOLYGON (((126.99364 37.23062, 126.99370 ...
10	2095	41590124	Gian-dong	기안동	MULTIPOLYGON (((126.98181 37.21318, 126.98172 ...
11	2096	41590125	Songsan-dong	송산동	MULTIPOLYGON (((127.02429 37.20579, 127.02426 ...
12	2097	41590126	Annyeong-dong	안녕동	MULTIPOLYGON (((127.00591 37.18681, 127.00592 ...
13	2098	41590127	Bansong-dong	반송동	MULTIPOLYGON (((127.08299 37.18425, 127.08290 ...
14	2099	41590128	Seogu-dong	석우동	MULTIPOLYGON (((127.08799 37.21660, 127.08810 ...
15	2100	41590129	Osan-dong	오산동	MULTIPOLYGON (((127.08299 37.18425, 127.08300 ...
16	2101	41590130	Cheonggye-dong	청계동	MULTIPOLYGON (((127.13001 37.20120, 127.13034 ...
17	2102	41590131	Yeongcheon-dong	영천동	MULTIPOLYGON (((127.08583 37.20471, 127.08586 ...
18	2103	41590132	Jung-dong	중동	MULTIPOLYGON (((127.15087 37.21984, 127.15099 ...
19	2104	41590133	Sin-dong	신동	MULTIPOLYGON (((127.15228 37.19841, 127.15231 ...
20	2105	41590134	Mok-dong	목동	MULTIPOLYGON (((127.13150 37.19569, 127.13150 ...
21	2106	41590135	Sancheok-dong	산척동	MULTIPOLYGON (((127.11354 37.17947, 127.11375 ...
22	2107	41590136	Jangji-dong	장지동	MULTIPOLYGON (((127.12891 37.16213, 127.12901 ...
23	2108	41590137	Song-dong	송동	MULTIPOLYGON (((127.10469 37.17752, 127.10473 ...
24	2109	41590138	Banggyo-dong	방교동	MULTIPOLYGON (((127.09437 37.18396, 127.09460 ...
25	2110	41590139	Geumgok-dong	금곡동	MULTIPOLYGON (((127.07119 37.18403, 127.07182 ...
26	2111	41590253	Bongdam-eup	봉담읍	MULTIPOLYGON (((126.95798 37.24281, 126.95799 ...
27	2112	41590256	Ujeong-eup	우정읍	MULTIPOLYGON (((126.73088 37.04639, 126.73141 ...
28	2113	41590259	Hyangnam-eup	향남읍	MULTIPOLYGON (((126.99724 37.12423, 126.99732 ...
29	2114	41590262	Namyang-eup	남양읍	MULTIPOLYGON (((126.79805 37.17035, 126.79780 ...
30	2115	41590310	Maesong-myeon	매송면	MULTIPOLYGON (((126.95620 37.24524, 126.95574 ...
31	2116	41590320	Bibong-myeon	비봉면	MULTIPOLYGON (((126.83330 37.23058, 126.83273 ...
32	2117	41590330	Mado-myeon	마도면	MULTIPOLYGON (((126.79590 37.19074, 126.79613 ...
33	2118	41590340	Songsan-myeon	송산면	MULTIPOLYGON (((126.66984 37.27413, 126.66946 ...
34	2119	41590350	Seosin-myeon	서신면	MULTIPOLYGON (((126.62268 37.17914, 126.62301 ...
35	2120	41590360	Paltan-myeon	팔탄면	MULTIPOLYGON (((126.83055 37.15032, 126.83110 ...
36	2121	41590370	Jangan-myeon	장안면	MULTIPOLYGON (((126.81262 37.01341, 126.81262 ...

	seq	pr_station_id	bus_line_no	bus_line_no_seq	station_nm	station_id	mobile_no
0	65286	228000018	10-4	1	용인터미널	228001552	47634.0
1	65287	228000018	10-4	2	용인터미널(경유)	277102443	NaN
2	65288	228000018	10-4	3	포브스병원	228000443	29439.0
3	65289	228000018	10-4	4	제일교회	228000665	29881.0
4	65290	228000018	10-4	5	라이프아파트	228000664	29457.0

	표준정류장ID	시군명	정류소명	정류소영문명	정류소번호	중앙차로여부	관할관청	위치	WGS84위도	WGS84경도	모바일정류장ID	이비카드정류장ID	emd
15072	233100553	화성시	우미제일.전하리교회	Woomi Jeil, Jeonhari Church	37760.0	노변정류장	경기도 화성시	경기도 화성시 석우동	37.212133	127.079383	[None None None None None None None None None ...	4130121.0	석우동
22829	233000001	화성시	수영오거리.방송통신대입구	Suyeong Ogeori, Korea National Open University	2051.0	노변정류장	경기도 화성시	경기도 수원시 권선구 오목천동	37.237717	126.962400	[None None None None None None None None None ...	4116687.0	권선구
22830	233000002	화성시	한국농수산대학	Korea National College of Agriculture and Fish...	36161.0	노변정류장	경기도 화성시	경기도 화성시 봉담읍	37.229317	126.970433	[None None None None None None None None None ...	4116684.0	봉담읍
22831	233000003	화성시	상두2리	Sangdu 2-ri	37320.0	노변정류장	경기도 화성시	경기도 화성시 향남읍	37.101367	126.948400	[None None None None None None None None None ...	4130294.0	향남읍
22832	233000004	화성시	대양2리	Daeyang 2-ri	36108.0	노변정류장	경기도 화성시	경기도 화성시 양감면	37.086417	126.942483	[None None None None None None None None None ...	4130270.0	양감면
...	...	...	...	...	...	...	...	...	...	...	...	...	...
36481	233001145	화성시	덕다리입구	Deokdari	37489.0	노변정류장	경기도 화성시	경기도 화성시 장안면	37.067700	126.838083	[None None None None None None None None None ...	4170855.0	장안면
36482	233001146	화성시	노진초등학교	Nojin Elementary School	36772.0	노변정류장	경기도 화성시	경기도 화성시 장안면	37.052617	126.809567	[None None None None None None None None None ...	4170316.0	장안면
36491	233001148	화성시	노진2리(노인정)	Nojin 2-ri Seniors Community Center	36770.0	노변정류장	경기도 화성시	경기도 화성시 장안면	37.049117	126.812383	[None None None None None None None None None ...	4170318.0	장안면
36494	233001149	화성시	노진2리	Nojin 2-ri	37488.0	노변정류장	경기도 화성시	경기도 화성시 장안면	37.047600	126.812850	[None None None None None None None None None ...	4170856.0	장안면
36498	233001150	화성시	노진5	Nojin 5-ri	36769.0	노변정류장	경기도 화성시	경기도 화성시 장안면	37.042000	126.815617	[None None None None None None None None None ...	4170319.0	장안면

	암호화카드번호\|\|'	'\|\|환승횟수\|\|'	'\|\|버스노선ID1\|\|'	'\|\|버스노선ID2\|\|'	'\|\|버스노선ID3\|\|'	'\|\|버스노선ID4\|\|'	'\|\|버스노선ID5\|\|'	'\|\|차량ID1\|\|'	'\|\|차량ID2\|\|'	'\|\|차량ID3\|\|'	...	'\|\|차량ID5\|\|'	'\|\|총통행거리\|\|'	'\|\|최초승차일시\|\|'	'\|\|최종하차일시\|\|'	'\|\|승차역ID1\|\|'	'\|\|승차역ID2\|\|'	'\|\|승차역ID3\|\|'	'\|\|하차역ID4\|\|'	'\|\|하차역ID5\|\|'	'\|\|최종하차역ID\|\|'
0	900079696430	2	41002045	41002044	0	0	0	141771735	141771587	0	...	0	11170	20180701052543	20180701064826	4116828	4150144	0	0	0	4116708
1	900079697651	1	41031040	0	0	0	0	141701792	0	0	...	0	1700	20180701072156	20180701072520	4117280	0	0	0	0	4117269
2	900079698254	1	41031121	0	0	0	0	141701843	0	0	...	0	23180	20180701123653	20180701134223	4199619	0	0	0	0	4107936
3	900079699257	1	41031013	0	0	0	0	141701450	0	0	...	0	500	20180701224424	20180701224543	4108130	0	0	0	0	4116717
4	900079701419	1	41020001	0	0	0	0	141703985	0	0	...	0	3240	20180701085058	20180701085910	4100122	0	0	0	0	4116848
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
1048570	900016808011	1	41067012	0	0	0	0	141748107	0	0	...	0	4720	20180704152354	20180704154330	4130419	0	0	0	0	4130524
1048571	900016808389	1	41061025	0	0	0	0	141761176	0	0	...	0	4120	20180704163548	20180704165100	4108112	0	0	0	0	4105383
1048572	900016808481	2	41036131	41205007	0	0	0	141705287	141761323	0	...	0	10609	20180704093348	20180704102535	4170340	4116674	0	0	0	4119436
1048573	900016684666	1	41036113	0	0	0	0	141705620	0	0	...	0	3930	20180704084717	20180704090128	4116734	0	0	0	0	4108146
1048574	900016684666	1	41036113	0	0	0	0	141705637	0	0	...	0	3940	20180704212154	20180704213835	4108147	0	0	0	0	4116733

	암호화카드번호\|\|'	time_hour
time_hour
4	1859	4
5	20896	5
6	48603	6
7	99470	7
8	107770	8
9	66586	9
10	49864	10
11	51658	11
12	60517	12
13	66234	13
14	59597	14
15	66683	15
16	75849	16
17	96414	17
18	104162	18
19	71189	19
20	62703	20
21	59901	21
22	48593	22
23	19389	23

	암호화카드번호\|\|'	'\|\|환승횟수\|\|'	'\|\|버스노선ID1\|\|'	'\|\|버스노선ID2\|\|'	'\|\|버스노선ID3\|\|'	'\|\|버스노선ID4\|\|'	'\|\|버스노선ID5\|\|'	'\|\|차량ID1\|\|'	'\|\|차량ID2\|\|'	'\|\|차량ID3\|\|'	...	'\|\|승차역ID1\|\|'	'\|\|승차역ID2\|\|'	'\|\|승차역ID3\|\|'	'\|\|하차역ID4\|\|'	'\|\|하차역ID5\|\|'	'\|\|최종하차역ID\|\|'	이비노선ID	표준노선ID	start_time	time_hour
노선명
1	107	107	107	107	107	107	107	107	107	107	...	107	107	107	107	107	107	107	107	107	107
1-1	54	54	54	54	54	54	54	54	54	54	...	54	54	54	54	54	54	54	54	54	54
1-2	59	59	59	59	59	59	59	59	59	59	...	59	59	59	59	59	59	59	59	59	59
1-4	1	1	1	1	1	1	1	1	1	1	...	1	1	1	1	1	1	1	1	1	1
1-5	11	11	11	11	11	11	11	11	11	11	...	11	11	11	11	11	11	11	11	11	11
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
M5107	5	5	5	5	5	5	5	5	5	5	...	5	5	5	5	5	5	5	5	5	5
M5121	1	1	1	1	1	1	1	1	1	1	...	1	1	1	1	1	1	1	1	1	1
M5422	4	4	4	4	4	4	4	4	4	4	...	4	4	4	4	4	4	4	4	4	4
M6427	1	1	1	1	1	1	1	1	1	1	...	1	1	1	1	1	1	1	1	1	1
M7731	3	3	3	3	3	3	3	3	3	3	...	3	3	3	3	3	3	3	3	3	3

	암호화카드번호\|\|'
노선명
92-1	72343
720-2	58793
3	51687
98	47714
62-1	46534
2-1	42843
13-5	42474
720-1	41148
301	36198
13-1	33098

	pop_mn_0_9	pop_mn_10_	pop_mn_20_	pop_mn_30_	pop_mn_40_	pop_mn_50_	pop_mn_60_	pop_mn_70_	pop_mn_80_	pop_mn_90_	...	pop_wmn_20	pop_wmn_30	pop_wmn_40	pop_wmn_50	pop_wmn_60	pop_wmn_70	pop_wmn_80	pop_wmn_90	pop_wmn_tt	pop_ttl
emd_cd
41590116	916.0	846.0	2049.0	3034.0	2042.0	1282.0	600.0	281.0	86.0	1.0	...	1697.0	1869.0	1380.0	1091.0	600.0	401.0	174.0	0.0	8806.0	19956.0
41590117	2820.0	3446.0	2855.0	3646.0	4718.0	2780.0	1207.0	610.0	207.0	0.0	...	2726.0	3786.0	4725.0	2523.0	1389.0	877.0	322.0	2.0	22507.0	44812.0
41590118	3295.0	2498.0	2074.0	4207.0	3805.0	1815.0	820.0	443.0	122.0	0.0	...	1992.0	4339.0	3604.0	1739.0	1083.0	579.0	234.0	1.0	19112.0	38207.0
41590119	321.0	229.0	289.0	636.0	407.0	250.0	128.0	48.0	8.0	0.0	...	282.0	557.0	381.0	257.0	122.0	50.0	25.0	0.0	2300.0	4617.0
41590120	2284.0	1835.0	1853.0	2794.0	2752.0	1796.0	847.0	278.0	92.0	1.0	...	1664.0	2947.0	2542.0	1839.0	800.0	278.0	173.0	0.0	14197.0	28740.0
41590121	2.0	3.0	11.0	9.0	17.0	25.0	15.0	10.0	4.0	0.0	...	5.0	10.0	10.0	16.0	12.0	15.0	4.0	0.0	77.0	175.0
41590122	8.0	18.0	35.0	22.0	35.0	67.0	50.0	23.0	18.0	0.0	...	21.0	16.0	23.0	37.0	45.0	38.0	27.0	0.0	225.0	503.0
41590123	10.0	27.0	41.0	36.0	45.0	93.0	59.0	31.0	4.0	0.0	...	29.0	15.0	37.0	46.0	42.0	24.0	27.0	0.0	261.0	608.0
41590124	824.0	1012.0	711.0	848.0	1374.0	910.0	450.0	217.0	69.0	1.0	...	650.0	942.0	1293.0	830.0	472.0	262.0	117.0	1.0	6201.0	12620.0
41590125	242.0	333.0	489.0	518.0	630.0	566.0	352.0	175.0	51.0	0.0	...	381.0	396.0	529.0	563.0	328.0	208.0	96.0	0.0	3066.0	6425.0
41590126	534.0	515.0	805.0	861.0	947.0	881.0	510.0	190.0	59.0	0.0	...	557.0	769.0	755.0	876.0	500.0	220.0	100.0	0.0	4706.0	10010.0
41590127	4959.0	5710.0	3846.0	5652.0	7838.0	4295.0	1415.0	680.0	197.0	1.0	...	3916.0	6492.0	7978.0	3585.0	1619.0	868.0	350.0	3.0	35132.0	69743.0
41590128	1070.0	1258.0	996.0	1295.0	1771.0	945.0	227.0	111.0	24.0	0.0	...	913.0	1300.0	1697.0	714.0	258.0	130.0	57.0	0.0	7279.0	14977.0
41590129	1003.0	556.0	809.0	1798.0	1050.0	626.0	309.0	106.0	26.0	0.0	...	819.0	1618.0	971.0	607.0	338.0	108.0	61.0	0.0	6067.0	12353.0
41590130	5468.0	4225.0	2154.0	4795.0	6751.0	2695.0	868.0	299.0	78.0	0.0	...	2240.0	6118.0	6103.0	2227.0	940.0	413.0	173.0	0.0	27644.0	54986.0
41590131	2718.0	1582.0	1470.0	4136.0	3099.0	1464.0	765.0	348.0	83.0	0.0	...	1720.0	4109.0	2798.0	1500.0	941.0	415.0	184.0	0.0	15882.0	31558.0
41590132	2.0	4.0	19.0	14.0	8.0	25.0	25.0	6.0	2.0	0.0	...	14.0	6.0	10.0	26.0	15.0	6.0	5.0	0.0	95.0	200.0
41590133	0.0	1.0	3.0	1.0	4.0	2.0	0.0	0.0	0.0	0.0	...	2.0	5.0	0.0	2.0	0.0	0.0	0.0	0.0	9.0	20.0
41590134	1159.0	515.0	574.0	1679.0	1040.0	504.0	281.0	95.0	16.0	0.0	...	568.0	1632.0	941.0	579.0	282.0	90.0	32.0	1.0	5661.0	11525.0
41590135	403.0	245.0	308.0	657.0	435.0	252.0	130.0	42.0	6.0	0.0	...	285.0	586.0	429.0	287.0	144.0	55.0	27.0	0.0	2488.0	4966.0
41590136	561.0	266.0	328.0	892.0	573.0	313.0	194.0	65.0	15.0	0.0	...	360.0	822.0	504.0	342.0	209.0	63.0	40.0	0.0	3114.0	6323.0
41590137	633.0	220.0	195.0	819.0	503.0	190.0	92.0	48.0	12.0	0.0	...	195.0	808.0	397.0	201.0	114.0	37.0	16.0	0.0	2540.0	5254.0
41590138	91.0	14.0	134.0	341.0	105.0	64.0	34.0	15.0	5.0	0.0	...	117.0	202.0	65.0	67.0	35.0	13.0	6.0	0.0	606.0	1410.0
41590139	24.0	35.0	61.0	48.0	56.0	94.0	53.0	31.0	12.0	0.0	...	36.0	30.0	47.0	68.0	36.0	33.0	20.0	2.0	322.0	737.0
41590253	4235.0	4794.0	4404.0	5372.0	7580.0	5464.0	2813.0	1376.0	356.0	5.0	...	3908.0	5705.0	6999.0	4872.0	2962.0	1601.0	753.0	9.0	35989.0	72421.0
41590256	595.0	743.0	1084.0	1001.0	1570.0	1607.0	1022.0	572.0	242.0	3.0	...	735.0	786.0	1097.0	1292.0	981.0	665.0	434.0	2.0	7347.0	15810.0
41590259	5743.0	4882.0	4778.0	9042.0	8587.0	4990.0	2381.0	1162.0	374.0	5.0	...	4236.0	7489.0	6884.0	4186.0	2485.0	1420.0	769.0	3.0	37603.0	79581.0
41590262	1997.0	1735.0	2633.0	3635.0	3211.0	2885.0	1637.0	684.0	281.0	0.0	...	1949.0	2755.0	2529.0	2500.0	1523.0	820.0	465.0	3.0	16101.0	34815.0
41590310	241.0	286.0	528.0	426.0	620.0	775.0	524.0	271.0	104.0	1.0	...	395.0	362.0	465.0	660.0	506.0	355.0	195.0	1.0	3448.0	7238.0
41590320	122.0	198.0	364.0	320.0	410.0	644.0	481.0	247.0	112.0	2.0	...	240.0	193.0	277.0	469.0	365.0	291.0	199.0	0.0	2368.0	5277.0
41590330	151.0	213.0	385.0	405.0	492.0	631.0	434.0	261.0	105.0	1.0	...	255.0	221.0	286.0	476.0	381.0	246.0	153.0	1.0	2365.0	5448.0
41590340	285.0	426.0	598.0	511.0	804.0	1063.0	751.0	449.0	201.0	0.0	...	430.0	386.0	608.0	851.0	717.0	524.0	323.0	8.0	4581.0	9695.0
41590350	92.0	174.0	301.0	278.0	421.0	641.0	516.0	262.0	143.0	3.0	...	206.0	187.0	262.0	504.0	418.0	285.0	215.0	4.0	2355.0	5205.0
41590360	196.0	259.0	647.0	605.0	860.0	1120.0	679.0	323.0	143.0	0.0	...	342.0	346.0	456.0	770.0	556.0	343.0	249.0	7.0	3546.0	8392.0
41590370	254.0	333.0	559.0	538.0	773.0	1056.0	700.0	423.0	182.0	4.0	...	364.0	360.0	448.0	726.0	618.0	475.0	279.0	4.0	3852.0	8690.0
41590400	67.0	99.0	222.0	231.0	270.0	444.0	280.0	151.0	70.0	0.0	...	140.0	121.0	125.0	274.0	247.0	161.0	135.0	1.0	1354.0	3193.0
41590410	269.0	408.0	732.0	631.0	931.0	1137.0	701.0	360.0	151.0	2.0	...	461.0	384.0	614.0	841.0	586.0	415.0	292.0	5.0	4252.0	9586.0

	정류소명	이비카드정류장ID	emd	WGS84위도	WGS84경도	암호화카드번호\|\|'
26	신창미션힐.송화초교	4100048.0	병점동	37.203300	127.038550	5062
125	병점역사거리	4151651.0	병점동	37.206917	127.035633	4913
131	동부출장소.병점초등학교	4100051.0	진안동	37.208800	127.034433	3512
25	홈플러스.벌말초교	4100049.0	병점동	37.203300	127.038133	3405
126	병점사거리	4170271.0	진안동	37.208383	127.034433	2638
124	병점역후문	4130131.0	진안동	37.206867	127.031833	2089
251	한빛마을(중)	4197467.0	반송동	37.207567	127.069200	1442
75	수원대학교	4116671.0	봉담읍	37.214167	126.979150	1216
197	반월리큰고개	4108035.0	반월동	37.232550	127.064783	1146
203	메타폴리스(중)	4170973.0	반송동	37.203700	127.067500	977

	암호화카드번호\|\|'
'\|\|최종하차역ID\|\|'
150.0	237
151.0	196
152.0	238
153.0	128
154.0	91
...	...
9636750.0	6
9636753.0	1
9636754.0	2
9636962.0	1
9636968.0	1

	정류소명	이비카드정류장ID	emd	WGS84위도	WGS84경도	암호화카드번호\|\|'
0	우미제일.전하리교회	4130121.0	석우동	37.212133	127.079383	496
1	한국농수산대학	4116684.0	봉담읍	37.229317	126.970433	37
2	대양2리	4130270.0	양감면	37.086417	126.942483	1
3	대양4리	4130272.0	양감면	37.090283	126.941967	3
4	대양1리	4130274.0	양감면	37.095567	126.939317	2
...	...	...	...	...	...	...
943	솔안고개	4130258.0	양감면	37.075350	126.963717	1
944	신왕리	4170309.0	양감면	37.083333	126.944217	2
945	빼골	4117380.0	정남면	37.180033	126.988250	130
946	괘랑2리.차운혁충신정려문	4117378.0	정남면	37.182833	126.993150	271
947	앞말	4117374.0	정남면	37.183567	127.001417	25

	정류소명	이비카드정류장ID	emd	WGS84위도	WGS84경도	암호화카드번호\|\|'
77	신영통현대타운.두산위브	4108036.0	반월동	37.235467	127.062467	3721
63	신창미션힐.송화초교	4100048.0	병점동	37.203300	127.038550	3202
611	한림대병원(중)	4199455.0	석우동	37.216633	127.078117	2539
418	메타폴리스(중)	4170973.0	반송동	37.203700	127.067500	2489
62	홈플러스.벌말초교	4100049.0	병점동	37.203300	127.038133	2431
599	복합문화센터	4199435.0	반송동	37.201117	127.071100	2392
190	수원대학교	4116671.0	봉담읍	37.214167	126.979150	2343
569	동탄1동주민센터	4170243.0	반송동	37.206650	127.072567	2318
75	반월리큰고개	4108034.0	반월동	37.233000	127.064800	2178
414	삼성반도체후문	4130123.0	반월동	37.227667	127.070683	2075
271	동부출장소.병점초등학교	4100051.0	진안동	37.208800	127.034433	1962
822	이주택지.상록.경남아파트	4121008.0	동탄면	37.207217	127.110683	1939
661	IT단지(중)	4197592.0	석우동	37.224717	127.074183	1865
509	한빛마을(중)	4197467.0	반송동	37.207567	127.069200	1814
65	삼성반도체	4108031.0	반월동	37.225083	127.064000	1768
883	와우2리	4116674.0	봉담읍	37.215983	126.976317	1701
265	병점역사거리	4151651.0	병점동	37.206917	127.035633	1671
657	반석초등학교	4197463.0	반송동	37.193400	127.077467	1649
775	삼성반도체후문	4170507.0	반월동	37.228417	127.071283	1635
201	신일해피트리1차	4116678.0	봉담읍	37.222467	126.973933	1613

	정류소명	emd	이용자수
77	신영통현대타운.두산위브	반월동	3721
63	신창미션힐.송화초교	병점동	3202
611	한림대병원(중)	석우동	2539
418	메타폴리스(중)	반송동	2489
62	홈플러스.벌말초교	병점동	2431
599	복합문화센터	반송동	2392
190	수원대학교	봉담읍	2343
569	동탄1동주민센터	반송동	2318
75	반월리큰고개	반월동	2178
414	삼성반도체후문	반월동	2075
271	동부출장소.병점초등학교	진안동	1962
822	이주택지.상록.경남아파트	동탄면	1939
661	IT단지(중)	석우동	1865
509	한빛마을(중)	반송동	1814
65	삼성반도체	반월동	1768
883	와우2리	봉담읍	1701
265	병점역사거리	병점동	1671
657	반석초등학교	반송동	1649
775	삼성반도체후문	반월동	1635
201	신일해피트리1차	봉담읍	1613
423	다은마을(중)	반송동	1482
483	쌍용예가	반송동	1448
266	병점사거리	진안동	1394
594	능동마을입구	능동	1384
270	병점입구.병점육교.화남아파트	진안동	1358
312	대진화학	봉담읍	1344
858	동탄역(동측)	오산동	1330
413	반월리큰고개	반월동	1311
417	메타폴리스(중)	반송동	1290
76	신영통현대타운.두산위브	반월동	1289
552	중심상가.화성고용센터	봉담읍	1279
199	광도와이드빌.우남그린빌	기안동	1219
492	상록.경남아파트.이주택지	동탄면	1173
540	동탄2동주민센터	반송동	1166
419	다은마을(중)	반송동	1153
424	한림대병원(중)	석우동	1108
44	주공11단지.우남퍼스트빌2차	병점동	1037
534	동탄이마트.한림대병원	석우동	1035
455	IT단지(중)	석우동	1021
416	한빛마을.석우중학교(중)	반송동	1011

	정류소명	emd	이용자수
66	신영통현대타운.두산위브	반월동	3371
53	신창미션힐.송화초교	병점동	2816
667	롯데캐슬.복합문화센터	반송동	2595
438	IT단지(중)	석우동	2400
404	삼성반도체후문	반월동	2377
52	홈플러스.벌말초교	병점동	2313
253	병점사거리	진안동	2301
407	메타폴리스(중)	반송동	2287
545	동탄1동주민센터	반송동	2043
414	한림대병원(중)	석우동	1966
406	한빛마을.석우중학교(중)	반송동	1927
62	삼성전자	반월동	1888
482	상록.경남아파트.이주택지	동탄면	1784
669	IT단지(중)	석우동	1780
619	한림대병원(중)	석우동	1753
402	반월리큰고개	반월동	1694
342	와우2리	봉담읍	1692
481	반도.모아아파트	동탄면	1625
409	다은마을(중)	반송동	1611
252	병점역사거리	병점동	1506
65	반월리큰고개	반월동	1426
408	메타폴리스(중)	반송동	1412
258	동부출장소.병점초등학교	진안동	1388
413	다은마을(중)	반송동	1380
178	수원대학교	봉담읍	1379
183	평생플러스빌	봉담읍	1376
177	수원대학교	봉담읍	1341
63	반월1통.빅마켓앞	반월동	1335
597	능동마을입구	능동	1270
184	신일우남아파트	봉담읍	1185
648	수영초등학교	봉담읍	1181
838	롯데시네마	병점동	1152
540	동탄2동주민센터	반송동	1101
657	KEB하나은행발안지점	향남읍	1101
56	성지산업	반월동	1075
423	예당마을.롯데캐슬(중)	석우동	1059
665	반송고등학교	반송동	1048
553	동일하이빌.화성고용센터	봉담읍	1032
64	빅마켓앞	반월동	1018
254	병점입구.화남아파트.병점육교	진안동	1004